复杂工业现场智能监控系统中的人体检测方法

冯连强，杨延西，崔 乐，任玉成，王俊萍，王彦国

(1.中国重型机械研究院股份公司，陕西 西安 710032;2.西安理工大学，陕西 西安 710048;3.河北省首钢迁安钢铁有限责任公司，河北 唐山 064400)

0 前言

工业生产线上，有时人员需要进入非安全区域，传统的安全监测元件与系统功能的不足，导致频繁发生人身安全事故，如包装线穿心打孔伤人、卷边机伤人等。视觉技术则可以有效检测到异常情况，及时处理，避免事故的发生。传统的监控系统主要人在操作室对多台监控设备进行操控与预警，这样就出现一些问题:人无法保证长时间有效的监控，且人的监测区域有限，无法保证对多台设备所有安全区域的实时监控。此外，现有改进视频监控报警系统主要采用运动检测方法实现报警功能，无法解决复杂工业现场中机器运动、机器阴影、光线变化等因素造成的干扰和误报问题。针对以上问题，本文利用数字图像处理技术与智能模式识别理论，对监控区域人体进行智能识别，在完成保证安全任务的同时，节省大量的人力物力。

已有的运动目标监测方法主要有:光流法［1］、背景差分法［2］、时域差分法［3］。光流法信息量大，需要迭代计算，实时性差。时域差分法，对运动物体的运动条件要求苛刻，易出现误检。背景差分方法首先固定摄像机，对背景进行建模，通过当前帧与背景差分来提取前景物体，同时以一定速率更新背景，使其能适应缓慢的光照变化，有很强的适用性，但对突然的光照变化无法有效的分辨出前景。而目前基于二维图像中的人体识别主流算法有两类，一类利用人体局部图像形状信息［6-7］，其准确度高，但实时性较差;另一类为基于底层图像信息，算法简单，准确率相对前者较低。

本文根据工业现场，通过先验知识，对图像监测区域进行局部区域高斯背景建模，有效减少数据计算量，利用形态学提取前景目标，同时更新背景区域，最后对前景目标进行人体识别，对目标进行归一化尺寸恢复，然后利用形状信息，进行识别。该方法减少了处理的数据量，同时有效提高目标识别率。

1 系统软件结构

本系统软件结构图如图1所示，用高斯模型对一序列帧图像进行背景建模，最大抑制前景干扰，然后利用背景差分法，利用形态学消除干扰和填补空洞、平滑边缘，对前景目标进行提取，首先将目标按区域还原实际尺寸进行初步识别，然后再对疑似目标进行归一化处理，利用面积信息、横纵比再次进行识别。最后对非目标区域的背景进行背景模型更新。

图1 系统结构图Fig.1 Diagram of the system structure

2 人体检测方法

2.1 高斯背景建模

采用文献［4］中的递推式高斯背景建模，利用较长的一段序列来消除其中背景的干扰。具体步骤如下:

(1)建立样本均值估计，通过前N个样本估计均值。

(2)建立样本方差估计。

即

此时有

2.2 目标提取

其中const为权值系数，其值越大去除干扰越明显，但同时会将部分前景去除。一般取值1～5。然后对此时分割出来图像，利用形态学去除噪声点，填补目标区域中的小孔，同时平滑图像边缘轮廓。

2.3 人体识别

得到前景目标后，需要对目标进行人体识别，本文采用多种方法融合实现人体准确识别:

(1)利用先验知识，首先划定需要检测的区域(通过软件可以自由规划检测区域)，将其目标底部包含在内则认为其为疑似目标，剔除多余目标。现场环境如图2a，监测区域如图2b。

(2)由于距离摄像头的距离差异，导致成像的物体大小会发生一定的变换如图3所示，可以看到(a)、(b)、(c)三张图人体在场景中分布如(d)所示，高度有很大差别，离的越远，高度越低。因此本文首先通过对现场标定，计算出图像目标底部所在横轴与实际高度的对应关系。从而将图像目标高度转化为实际高度，结合实际高度和横纵比，设定阈值进行识别。

图2 监测区域示意图Fig.2 Monitoring areas

(3)由图3还可以看出，由于成像差异，目标所占矩形区域大小差异明显，本文对其进行归一化处理，将其提取的目标区域转化为一个100×100的模板中，如图(4)所示，将(b)，(c)两幅图目标提取后进行归一化，然后计算其面积，进一步判定目标。

图3 现场不同区域人体示意图Fig.3 Schetch map of humans in different areas

图4 归一化示意图Fig.4 Normalized diagram

2.4 背景更新

为了适应背景缓慢光线和局部细小变换，需要对非前景区域进行一定速率的背景更新，公式如下:

其中 μi，j为更新前背景模型均值，xi，j为当非前景区域的像素值，δi，j为更新前背景模型方差，δconst为一个常数，防止标准差收敛于0;α为更新速率，取值0～1。

2.5 背景灯光大范围变化反应

当现场发生断电或者光照变化大时，背景建模方法会出现问题。为此，当检测的图像与背景图像直方图距离函数值大于设定阈值时，判定当前帧无效，并且系统延迟1 s继续采集图像进行判定，当无效帧累计3帧，重新启动背景初始化建模。

3 实验研究

本文通过工业现场采集视频进行算法性能的分析。所采用摄像机分辨率480×640，帧频25帧/s，实时采集同时处理帧频10帧/s，达到现场要求。现场计算机处理器PentiumⓇDual-Core E5200 2.5GHz，2GB内存。程序初始化5 s，每秒均匀采集6帧图像，总共30帧进行初始化背景建模。为了验证人体识别算法的性能，提取35帧含有人体的图像，且其分布在距离相机不同的方位，分别提取比例特征图如图5所示，归一化前后面积特征图如图6所示，高度特征图如图7所示。

由图5看出，人体比例在2到4之间，第15帧达到测试图样中的最高峰4.0833，对应图如图6所示中，其归一化后像素面积也突出，这是因为其体态结果如图7a，可以看出刚好是一个侧面，而其较图7b对比，导致此情况的发生。

由图8可以看出，前10帧由于离相机较远，在原图成像的高度很小，且其相对用一个目标浮动也小，复原后的实际高度浮动也小，此时复原高度平均162 mm，而实际目标164 mm。后25帧分别取不同位置的目标，其成像高度也有很大变化，对其按区域进行高度复原，其高度在165 mm到180 mm，实际目标高度172 mm，这里主要原因有一些影子影响，如图7c，而27帧的偏小畸变是由于背景差分，是由于脚部和背景差别太小，导致脚部整块残缺如图7d、图7e所示。

图8 部分畸变图像Fig.8 Some deformation images

由图3可以看出，在原图中，由于摄像头距离目标位置远近不同，目标所占矩形大小不一样，因此此时取其面积来衡量不可行，经过归一化处理后，使他们所占矩形区域大小相同，此时面积波动在4 000像素到6 000像素内波动。

识别特种融合规则，优先身高，比例，判断疑似目标，再验证面积特征，在阈值内判定人体。

在实际检测中，本文为了防止漏检，对于场景中图2b中间部分区域存在机械遮挡而导致人体只露头部，以及最后方小块区域，因为那里处于机械后方，并不是真正关心的区域，因此实际应用中是忽略的。

4 结论

(1)对工业现场采集视频进行目标识别，300帧中的图像，含人体109帧，其中由于部分人体部位和背景差异太小，导致6帧目标漏检，前景目标识别率94%。

(2)剩余的103帧在前景目标提取成功后，人体识别率100%。

(3)为了提高背景差分识别率，建议监测区域颜色单一且易识别，或者工作人员工作服与区域颜色尽量差异明显。在实际实时检测中，本方法可以有效的监测人体目标，且满足实时性要求，对安全区域进行实时监控和报警。

［1］BARRON J L，FLEET D J，BEAUCHEMIN S S.Performance of optical flw techniques［J］.International Journal of Computer Vision，1994，12(1):43－77.

［2］MEIER T.Automatic segmentation of moving objects for video object plane generation［J］.IEEE Transcations on Circuits and Systems Video Technology，1998，8(5):523－528.

［3］LIPTON A J，FUJIYOSHI H，PATIL R S.Moving target classification and tracking from real－time video［C］//IEEE Proceedings of the Workshop on Application of Computer Vision.Los Alamitos:IEEE computer Society Press，1998:8－14.

［4］邓甜甜，王智灵，朱明清，等.基于轮廓图像空频域特征的人体姿态分层识别算法［J］.模式识别与人工智能.2011(3).

［5］曾春，李晓华，周激流.基于感兴趣区梯度方向直方图的行人监测［J］.计算机工程.2009，35(24).

［6］黄茜，顾杰锋，杨文亮.基于梯度向量直方图的行人监测［J］.科学技术与工程.2009，9(13).

［7］李晖，曲仕茹.基于分层梯度方向直方图和SVM的人体识别［J］.计算机测量与控制.2010，18(11).

［8］张便利，常胜江，李江卫，等.基于彩色直方图分析的智能视频监控系统［J］.物理学报，2006，55(12):6399－6404.

［9］胡晓莉，江杰，王建国.视频图像识别报警系统的研究［J］.微计算机信息，2007，23(2):280－281.

［10］李洪波.向南.吴渝.一种改进的室内运动人体监测与轮廓提取算法［J］.重庆邮电大学学报.2008，20(2).

［11］夏永泉，李卫丽，甘勇，等.智能视频监控中的厄运东目标监测技术研究［J］.通信技术，2009，42(6).

［12］方帅.计算机智能视频系统关键技术研究［D］.沈阳:东北大学:2005.

［13］耿超.人体运动的监测与跟踪［D］，北京:北京工业大学，2003.

［14］朱虹.数字图像处理基础［M］.北京:科学出版社，2005.